大连人工智能算法取得突破性进展，开启小肠疾

文章的第一作者为华中科技大学同济医学院附属协和医院消化内科丁震教授、施慧英医师，安翰科技的 3 位技术专家作为该文章共同作者出现。他们在胶囊内镜数据影像数据分析以及深度学习模型研究、深度学习算法的实现方面有重大贡献。

深度学习

通过人工智能识别小肠异常图像

最近，深度学习算法在医疗领域的应用备受关注。据报道，一种基于深度学习的人工智能（AI）模型在皮肤癌分类方面的表现与皮肤科医生相当²。此外，深度学习模型在结肠镜检查图像视频中实时鉴别腺瘤性和增生性小型结肠息肉的能力也已经得到验证。而本文中关于小肠疾病识别的临床研究，也正是基于深度学习的AI模型来区分异常图像和正常图像³。

胶囊内镜改变了小肠疾病领域的研究，然而小肠检查后的视频长达8~10小时，因此对消化内科医生来说，分析视频是十分耗时的。深度卷积神经网络（CNNs）已被证实可以在大量的图像中识别特定图像，在视觉任务上的性能超过人类。因此，本研究基于一个CNN算法，训练了一个基于深度学习的AI模型，来区分正常图像中的异常图像，以协助分析评估小肠胶囊内镜图像。

这一研究成果不仅实现了胶囊内镜应用的智能辅助，更将可能极大程度地改变小肠疾病的诊断模式。安翰科技在人工智能领域的创新突破，为这一研究开辟了全新路径，为临床医生与患者带来福音。

高灵敏度、高筛查率、高病变检出率、高效率

人工智能的融入助力诊断效能提升

该研究使用安翰科技ESView平台在77个医学体检中心进行，患者均行安翰磁控胶囊内镜检查。该系统由三部分组成：胶囊内窥镜、数据记录仪和带有实时查看和控制软件的计算机工作站。

安翰胶囊内窥镜长27mm，直径11.8mm，重4.8g，视野大于140°±10%。胶囊自由通过小肠，动态帧速率为0-2帧/秒。图像以0.8帧/秒的平均速度被捕获和记录。每个视频都是由连续的单个图像/帧组成。视频中的每一幅图像或每一帧都被按图像拍摄的顺序标记上一个特定的数字，保存到一个文件夹中。

该研究收集2016年7月至2018年7月期间6970例患者的小肠胶囊内镜检查图片，共计113,426,569张图像，分别通过常规方法阅片、CNNs的人工智能图像辅助阅读模型，来协助消化内科医生进行小肠胶囊内镜图片的阅读与分析评估。在CNN模型训练阶段，研究人员使用1970例患者的小肠检查图像建立模型；之后在模型验证阶段，通过5000例患者的小肠检查图像对模型进行了验证。

值得一提的是，基于CNN的辅助阅片系统设计的目的是为了确保最高的灵敏度，即筛查出尽可能多的病变，研究者将小肠检查图像分为正常图片和异常图片。异常图片在这项研究中又被定义为两个不同的类别：具有临床意义的显著异常病变（如炎症、溃疡、息肉、隆起性病变、血管疾病、出血、寄生虫和憩室）和轻度异常病变（淋巴管扩张、淋巴滤泡增生等）。

研究结果显示：与传统的阅读模式相比，基于CNN的算法具有高灵敏度（灵敏度从76.89%提高到99.90%）、高筛查率（图像的数量从22654减少到578）、高病变检出率（从54.57%提高到70.91%）和高效率（所需的平均时间从96.6 min减少到5.9 min）。

人工智能

有望改变小肠疾病诊断模式

不同于传统应用的胃镜及肠镜，小肠疾病是传统内镜和影像学检查的难点，胶囊内镜的应用是小肠疾病的重要诊疗方式。然而，由于每例小肠胶囊内镜检查产生的视频时长长达8~10个小时（平均20000~30000张采集图片/例），每例患者将花费消化内科医生1~2小时的时间逐一分析数据和诊断疾病，这大大增加了消化科医生分析和诊断小肠疾病的时间成本。同时，高强度的人工读片也会增加漏诊率，大大限制了胶囊内镜在小肠疾病临床检查中的广泛应用。安翰科技人工智能技术的应用，基于CNN的算法将小肠胶囊内镜的读取时间缩短了93.9%，为5.9 min，有效辅助消化内科医生诊断小肠胶囊内镜图像。

安翰科技将人工智能技术应用于小肠病灶筛查，不仅实现了胶囊内镜应用的智能辅助，更有望极大程度地改变小肠疾病的诊断模式，开启小肠疾病诊断新纪元，更具有重大的临床和社会价值，为临床医生与患者带来福音。